Thesis:

Concatenación de representaciones compactas de imágenes en el problema de recuperación de imágenes

La masicacion de las redes sociales y servicios como Flickr, sumado al bajo costo y creciente calidad de las camaras digitales, han contribuido al crecimiento exponencial de la cantidad de imagenes disponibles en internet; por lo que en los ultimos años se le ha dado mayor enfasis al desarrollo de algoritmos capaces de tratar con millones de imagenes. Algunas de las aplicaciones que requieren este tipo de algoritmos son: clasicacion de imagenes, recuperacion de imagenes, reconocimiento de escenas, reconocimiento de hitos geogracos, reconocimiento de objetos y analisis de imagenes medicas y satelitales. Particularmente, el problema de buscar las imagenes mas relevantes respecto a una imagen de entrada tiene la necesidad de representar las imagenes de forma compacta, puesto que la memoria es un recurso limitado y se puede estar tratando con mas de un millon de imagenes. Igualmente se requieren tiempos de respuesta reducidos y una precision aceptable en los resultados. Combinar estos requerimientos es una tarea dificil que ha encontrado en los ultimos años una respuesta en la representacion de la imagen a traves de la Bolsa de Caractersticas y recientemente en el Vector de Fisher. Un nicho que recien ha comenzado a ser explotado en los ultimos a~nos es el de combinacion de tipos de caractersticas. En la mayora de los problemas difciles de la computacion no existe un metodo capaz de resolver el problema en su totalidad, pero es frecuente que diferentes metodos se especialicen en porciones del problema. En este trabajo se le da especial atencion al muestreo de estas caractersticas en la imagen y se muestra que este proceso es relevante en el rendimiento de un sistema de recuperacion de imagenes. De forma particular, se expondra como combinar Vectores de Fisher obtenidos mediante descriptores muestreados de formas diferentes y como esto contribuye a mejorar la precision para un mismo uso de memoria. Los experimentos realizados verican los resultados en las bases de datos mas utilizadas del area.

The massification of image-related services such as Flickr and social networks, along with the decreasing cost and increasing quality of digital cameras, has contributed to the exponential growth of images available online. This growth has driven the need for new algorithms capable of handling millions of images. Applications requiring this class of algorithm include image classification, image retrieval, scene recognition, landmark recognition, object recognition, and the analysis of medical and satellite imagery. Specifically, in large-scale image retrieval—where the goal is to find the most relevant images from a vast database given a query image—it is crucial to use compact image representations. With memory being a limited resource, handling millions of images demands both low memory usage and fast response times without compromising precision. Over the last decade, the Bag of Features method has been the most widely used representation technique for this task. However, in recent years, its extension called Fisher Vector has shown promising results for large-scale image retrieval. A growing area of research in recent years is the combination of features in image retrieval systems. Since no single perfect solution exists for most complex problems in computer science, combining different methods that tackle different aspects of the problem has proven beneficial. This work focuses on feature sampling techniques and their impact on retrieval performance. We propose a method to combine Fisher Vectors based on differently sampled descriptors, which enhances retrieval precision while maintaining memory efficiency. Experiments conducted on various well-known image retrieval datasets validated this improvement.